تعتمد خوارزميات الكشف عن الأهداف في صور الاستشعار عن بعد السائدة حاليًا على تطور تقنيات التعلم العميق. أثناء تدريب النموذج، يعد توسيع بيانات مجموعة التدريب طريقة مهمة لتعزيز قدرة النموذج على التعميم. تستخدم طرق توسيع الصور لخوارزميات الكشف عن الأهداف في صور الاستشعار عن بعد بشكل رئيسي طرق التوسيع العامة للكشف عن الأهداف، وهناك حاجة ملحة لتطوير طرق توسيع تأخذ في الاعتبار خصائص الأهداف في الاستشعار عن بعد. تقدم هذه الورقة طريقة توسيع تعتمد على استبدال الأهداف المتشابهة في صور الاستشعار عن بعد، وتصمم عملية توسيع لاستبدال الأهداف المتشابهة، وهي من خلال إنشاء مكتبة عينات، وتصنيف الفئات المتشابهة، والاستعلام عن العينات المتشابهة واستبدال المعالجة المسبقة للعينات، تصنيف الأهداف المتشابهة في مجموعة البيانات. أولاً، يتم إنشاء مكتبة لكل عينات مجموعة التدريب، وتحليل معلومات فئات العينات؛ ثانيًا، تصنيف فئات الأهداف في مجموعة التدريب إلى فئات متشابهة؛ ثم، لمعالجة مشكلة عدم توازن عدد العينات في مجموعة البيانات، تم تصميم آلية تعويض للعينات الأقل، عن طريق التحكم في احتمالية أخذ العينات لتحقيق توازن في نسبة تدريب بيانات العينات؛ أخيرًا، تم تصميم آلية معالجة مسبقة لاستبدال العينات، تستخدم طرق تحويل مناسبة كطرق معالجة مسبقة للعينات وفقًا لخصائص فئات الأهداف المختلفة. أظهرت التجارب على مجموعة بيانات DOTA أن استخدام خوارزمية توسيع استبدال الأهداف المتشابهة أدى إلى زيادة قيمة mAP لخوارزمية الكشف DCL بمقدار 1.34 مقارنة بالخط الأساسي، كما زادت دقة توقع النموذج للفئات المتشابهة، وتحسنت قدرة الكشف عن الأهداف للفئات ذات عدد العينات القليل.

صور الاستشعار عن بعد;كشف الأهداف;توسيع البيانات;استبدال الأهداف المتشابهة